인과 메커니즘 변화(Causal Mechanism Shifts)로부터 구조적 편향(Structural Biases) 식별하기

인과 발견 (Causal discovery) 방법론들은 일반적으로 모든 데이터가 독립 동일 분포 (i.i.d.)를 따르며, 시스템에 영향을 미치는 측정되지 않은 변수 (unmeasured variables)가 없다고 가정합니다. 실제로 이러한 가정들은 자주 위배되며, 이는 부정확한 추론으로 이어집니다. 본 논문에서는 인과 메커니즘 변화 (causal mechanism shifts)로부터 숨겨진 교란 (hidden confounding) 및 선택 편향 (selection bias)을 식별하는 방법을 연구합니다. 특히, 우리는 구조적 편향 (structural biases)이 의존적인 메커니즘 변화를 초래한다는 것을 보여줍니다. 즉, 서로 다른 환경의 데이터를 고려할 때 어떤 변수들에 대해 메커니즘이 변하는지를 살펴봄으로써, 어떤 변수가 편향되지 않았는지, 어떤 변수가 숨겨진 교란의 영향을 받는지, 그리고 어떤 변수가 선택 편향을 겪고 있는지를 구분할 수 있습니다. 우리는 이를 상호 정보량 (mutual information)에 기반한 경험적으로 테스트 가능한 기준으로 공식화하고, 어떤 조건 하에서 구조적 편향을 식별할 수 있는지 보여줍니다. 어떤 노드가 어떤 종류의 편향을 받는지 판별하기 위해, 우리는 StruBI 알고리즘을 도입합니다. 합성 데이터 및 실제 데이터에 대한 실험 결과, StruBI는 실제 환경에서 잘 작동하며, 영향을 받은 변수 집합과 편향의 유형을 정확하게 복구하여 최신 기술 (state-of-the-art)보다 큰 차이로 성능을 앞선다는 것을 보여줍니다.